傳統上，深度學習系統被實現為在計算機上執行以數字化學習數據表示，并執行與人類性能相當或甚至更好的高級任務。然而，由加州大學洛杉磯分校電氣和計算機工程教授AydoganOzcan博士領導的團隊引入了一種物理機制，使用全光學衍射深度神經網絡(D2NN)實現深度學習。該光學人工神經網絡設備直觀地模擬大腦如何處理信息。它使用從對象本身反射的光來在很短的時間內識別該對象，這是計算機簡單地“看到”對象所需的時間。
創建人工神經網絡的過程始于計算機模擬設計。然后，研究人員使用3D打印機制作了非常薄的8厘米見方的聚合物晶圓。每個晶片具有不平坦的表面，這有助于在不同方向上衍射來自物體的光。這些層看起來對眼睛是不透明的，但實驗中使用的亞毫米波長太赫茲頻率的光可以穿過它們。每層由數萬個人造神經元組成，在這種情況下，光是能穿過微小像素的。一系列像素化層一起用作“光學網絡”，其形成來自物體的入射光穿過它們，然后網絡識別對象，因為來自對象的光主要被衍射到分配給該類型對象的單個像素。
研究人員使用計算機對網絡進行訓練，通過學習每個物體在該物體發出的光線穿過設備時產生的衍射光圖案來識別其前面的物體。“訓練”使用了一種稱為深度學習的人工智能分支，其中機器通過重復和隨著時間的推移“學習”模式出現。
在他們的實驗中，研究人員證明該裝置可以準確識別手寫的數字和衣物，這兩種都是人工智能研究中常用的測試。它還可以在太赫茲光譜上執行成像鏡頭的功能。加州大學洛杉磯分校的研究人員認為，基于該設備的新技術可用于加速涉及排序和識別物體的數據密集型任務。例如，使用該技術的無人駕駛汽車可以立即做出反應，甚至比使用現有技術更快，對停車標志做出反應。使用基于UCLA系統的設備，一旦來自標志的光擊中它，汽車將“讀取”標志，而不是必須“等待”汽車的相機對物體成像然后使用其計算機來找出對象是什么。基于本發明的技術還可以用于顯微成像和醫學，例如，用于分選數百萬個細胞以尋找疾病的跡象。
由于其組件可以由3D打印機創建，因此人工神經網絡可以用更大和更多的層制作，從而產生具有數億個人造神經元的設備。那些更大的設備可以同時識別更多的對象或執行更復雜的數據分析。并且組件可以廉價制作，由加州大學洛杉磯分校團隊創建的設備可以低于50美元。
京公網安備 11010502049343號